[发明专利]基于梯度提升机与二次规划的阶跃型滑坡位移预测方法

权利要求书

1.一种基于梯度提升机与二次规划的阶跃型滑坡位移预测方法，其特征在于，包括以下步骤：

S1：基于时间序列加法模型，利用指数平滑方法将阶跃型滑坡累计位移量分解为趋势项位移y_T(k)和周期项位移y_P(k)，其中，k＝1，2，3，…N，N为阶跃型滑坡累计位移量的监测周期数量；

S2：采用最小二乘法对各监测周期的趋势项位移y_T(k)进行拟合，得到趋势项位移的变化曲线

S3：构建各监测周期的特征向量x(k)，并将N个监测周期的特征向量x(k)组成特征矩阵X＝[x(1)，x(2)，…，x(N)]；其中，所述特征向量包括N_f个特征，N_f个特征分别为监测周期的监测期次、该监测周期的至少前4个监测周期对应的周期项位移、该监测周期及其至少前5个监测周期的降雨量、该监测周期及其至少前5个监测周期的库水位变化量；

S4：利用灰色关联度分析算法获取各个特征与周期项位移的关联度r_q，其中，q＝1，2，…，N_f，且关联度r_q越大，关联度r_q对应的特征对周期项位移的影响越大；

S5：将特征矩阵X的各个特征与各自对应的关联度r_q相乘，得到的加权特征矩阵；

S6：将加权特征矩阵中至少前70％的监测周期对应的加权特征向量作为原始训练样本，再对原始训练样本中的加权特征向量分别进行零均值归一化、Max-Min归一化以及标准归一化，得到零均值归一化训练样本、Max-Min归一化训练样本以及标准归一化训练样本；

S7：分别将四种训练样本中的加权特征向量作为输入，各训练样本所属监测周期对应的周期项位移y_P(k)作为输出，对梯度提升机模型进行训练，得到四种训练样本对应的梯度提升机模型；

S8：采用二次规划凸优化模型获取四种训练样本对应的梯度提升机模型的对应权重，将四种训练样本对应的梯度提升机模型与各自对应的权重加权求和，得到预测周期项位移的梯度提升机-二次规划模型；

S9：将步骤S2得到的趋势项位移的变化曲线的趋势项位移预测结果与梯度提升机-二次规划模型输出的周期项位移预测结果叠加，得到阶跃型滑坡位移量的拟合预测曲线。

2.如权利要求1所述的一种基于梯度提升机与二次规划的阶跃型滑坡位移预测方法，其特征在于，所述趋势项位移y_T(k)和周期项位移y_P(k)的获取方法为：

S11：基于时间序列加法模型，假设阶跃型滑坡累计位移量被分解为：

y(k)＝y_T(k)+y_P(k)

其中，y(k)为第k个监测周期的滑坡累计位移量，y_T(k)为第k个监测周期中由坡体内部条件引起的趋势项位移，y_P(k)为第k个监测周期中由外部条件引起的周期项位移；

S12：利用指数平滑方法获取趋势项位移y_T(k)的计算公式如下：

y_T(1)＝y(1)，k＝1

y_T(k)＝α×y(k-1)+(1-α)×y_T(k-1)，k≠1

其中，α为设定的平滑系数；

S13：根据时间序列加法模型获取周期项位移y_P(k)的计算公式如下：

y_P(k)＝y(k)-y_T(k)。